Escolher uma voz para o agente de voz da sua marca não é como escolher uma fonte. Uma fonte fica na página esperando ser lida. Uma voz fala com seus clientes, resolve os problemas deles e representa sua empresa em tempo real — muitas vezes quando o cliente está frustrado, com pressa ou ligando de uma rua barulhenta.
A maioria das equipes escolhe uma voz ouvindo algumas demos e ficando com a que “soa profissional”. Essa abordagem funciona até a voz pronunciar errado o nome da empresa numa ligação ao vivo, ou soar animada ao avisar um cliente de que a reclamação dele foi negada. Este guia mostra como escolher uma voz que realmente combine com sua marca, seu caso de uso e as condições em que seus clientes ligam.
Comece pelo caso de uso, não pelo catálogo de vozes
O erro mais comum é percorrer uma biblioteca de vozes antes de definir o que a voz precisa fazer. Uma voz que funciona para um app de meditação vai falhar numa ligação de cobrança. Uma voz que soa autoritária numa demo de sala de reunião pode soar robótica numa linha telefônica de 8 kHz.
Antes de ouvir qualquer voz, responda a estas perguntas:
- O que quem liga está tentando resolver? Quem consulta o status de um pedido quer eficiência. Quem contesta uma cobrança quer empatia. A voz deve acompanhar o registro emocional da interação, não o tom geral de marketing da marca.
- Onde está quem liga? Ligações de carros, escritórios e cozinhas têm ruído de fundo. A voz precisa ser inteligível a 8 kHz via PSTN, não só numa gravação de estúdio.
- O que acontece quando algo dá errado? A voz precisa lidar com desculpas, correções e escalonamentos sem soar insensível. Uma voz que só sabe soar animada vira um problema quando a conversa fica séria.
As três características que importam
1. Inteligibilidade
Quem liga consegue entender o que a voz está dizendo? Parece óbvio, mas a inteligibilidade quebra em pontos específicos e previsíveis:
- Números e códigos. “Seu código de confirmação é 8-4-2-1-J” precisa ser inequívoco. Algumas vozes embaralham os dígitos ou leem “$1.200” como “doze centenas de dólares” quando quem liga espera “mil e duzentos”.
- Nomes e termos do domínio. Se seu produto se chama “Sonic” e a voz diz “Sâ-nik”, você tem um problema. Teste com os nomes reais dos seus produtos, dos seus clientes e o vocabulário do seu setor.
- Fala com sotaque. Se sua base de ligações inclui falantes não nativos de inglês ou sotaques regionais, a voz precisa ser inteligível para eles — e seu modelo de fala para texto precisa entendê-los. São problemas relacionados, mas separados.
O Sonic lê corretamente, por conta própria, as formas escritas convencionais: preços, datas, números de telefone e endereços. Para nomes de produto ou termos que o modelo pronuncia errado, um dicionário de pronúncia corrige de uma vez, em vez de exigir engenharia de prompt em cada ligação.
2. Registro emocional
Toda voz tem um registro emocional padrão — um tom de base que colore tudo o que ela diz. Algumas vozes soam acolhedoras e tranquilizadoras. Outras soam secas e eficientes. Nenhuma das duas está errada; a questão é se o registro combina com a interação.
Alguns exemplos da nossa biblioteca de vozes:
| Caso de uso | Registro | Por quê |
|---|---|---|
| Suporte ao cliente | Calmo, pausado | Quem liga muitas vezes está frustrado. Uma voz calma desescala. |
| Vendas ativas | Acolhedora, enérgica | Quem liga não pediu essa ligação. Energia a mantém na linha. |
| Cobrança / compliance | Clara, firme | Avisos legais precisam de autoridade. Acolhimento enfraquece a mensagem. |
| Agendamento em saúde | Estável, tranquilizadora | Quem liga pode estar ansioso. A voz deve reduzir o estresse, não aumentá-lo. |
O modelo Sonic da Cartesia vai além da maioria dos sistemas de TTS: ele ajusta a entrega emocional conforme o texto que lê. Se o LLM gera uma resposta empática, o Sonic soa empático. Se o texto é uma negativa firme, o Sonic soa firme. Isso significa que o design da voz está acoplado à geração do LLM — a voz segue o conteúdo, não uma configuração estática.
3. Latência
Uma voz que leva dois segundos para começar a falar depois que quem liga termina seu turno parece quebrada, não importa o quanto soe bem. Na conversa, as pessoas esperam uma resposta em cerca de 200 milissegundos. Acima de um segundo, quem liga começa a se repetir ou a falar por cima do agente.
A latência é uma propriedade do modelo de TTS, não da voz em si. Mas ela limita quais vozes você pode usar. Uma voz que exige processamento pesado para soar natural pode não funcionar num agente de voz em tempo real, mesmo que soe perfeita numa demo.
Vozes padrão vs. vozes clonadas
A maioria das marcas deve começar com uma voz padrão. Vozes padrão são prontas, testadas e disponíveis na hora. A biblioteca de vozes da Cartesia inclui vozes desenhadas para casos de uso específicos — suporte ao cliente, vendas, agendamento e mais.
A clonagem de voz faz sentido em duas situações:
- Continuidade de marca. Se sua empresa já tem uma voz reconhecida — um porta-voz, um apresentador de podcast, um CEO que faz as chamadas de resultados — clonar essa voz mantém a consistência entre canais.
- Diferenciação. Se todos os concorrentes do seu segmento usam as mesmas três vozes padrão, uma voz clonada diferencia você.
A Cartesia oferece duas opções de clonagem: clonagem de voz instantânea a partir de 5 segundos de áudio e clonagem de voz profissional a partir de mais de 30 minutos para maior fidelidade. A clonagem instantânea é rápida e funciona bem para prototipar. A clonagem profissional captura mais nuances e é melhor para uso em produção.
Um framework para escolher
Este é o processo que recomendamos:
Passo 1: Defina o caso de uso. Anote as três tarefas principais que o agente de voz atende. Para cada uma, registre o registro emocional, o vocabulário que ela precisa dominar e as consequências de um mal-entendido.
Passo 2: Faça uma pré-seleção de vozes. Escolha de três a cinco vozes da biblioteca que combinem com o registro de que você precisa. Não pense demais neste passo — você vai refinar nos testes.
Passo 3: Teste com roteiros reais. Escreva as dez frases mais comuns que o agente vai dizer, incluindo as difíceis: desculpas, negativas, confirmações cheias de números e nomes de produtos. Gere o áudio de cada voz e ouça uma atrás da outra.
Passo 4: Teste em contexto. Se o agente vai atender por telefone, ouça o áudio no alto-falante de um telefone, não em fones de estúdio. Se quem liga vai estar em ambientes barulhentos, adicione ruído de fundo. A voz que soa melhor numa sala silenciosa pode não ser a que soa melhor num carro.
Passo 5: Pilote com ligações reais. Rode a voz em produção por uma semana. Ouça as gravações. Preste atenção nos momentos em que quem liga pede para o agente repetir — são falhas de inteligibilidade. Preste atenção nos momentos em que o tom de quem liga muda — são desencontros de registro.
Erros comuns
- Escolher uma voz que soa como o fundador. O gosto do fundador não é a experiência do cliente. Teste com ligações reais.
- Usar a mesma voz para todos os casos de uso. Uma empresa com uma linha de suporte e uma de vendas pode precisar de vozes diferentes para cada uma. A marca é a empresa, não a voz.
- Ignorar o lado do STT. A voz com que o agente fala é só metade da equação. Se o modelo de fala para texto não entende o sotaque de quem liga, a melhor voz do mundo não salva a conversa. O Ink, nosso modelo de STT em streaming, lida com fala com sotaque e ambientes ruidosos — mas teste-o com sua base real de ligações.
- Otimizar para a demo. Uma voz que impressiona numa demo de vendas pode não aguentar uma ligação de suporte de dez minutos. A escuta longa revela artefatos e tiques que clipes curtos escondem.